데이터 응축으로 임상 AI 민주화: 고전 모델을 위한 차별화된 접근

초록

본 논문은 미분 가능하지 않은 임상 모델(결정 트리, Cox 회귀 등)을 위한 데이터 응축(DC) 기법을 제안한다. 차등 프라이버시(DP)를 보장하는 제로‑오더 최적화 방식을 사용해 합성 데이터셋을 생성하고, 이를 XGBoost와 Cox 모델에 적용해 기존 전체 데이터와 거의 동일한 예측 성능을 달성함을 실험적으로 입증한다.

상세 분석

이 연구는 기존 DC 연구가 신경망 기반 모델에만 국한된 한계를 극복하고, 임상 현장에서 널리 사용되는 비미분 가능 모델에 적용 가능한 프레임워크를 제시한다는 점에서 큰 의의를 가진다. 핵심 아이디어는 ‘블랙박스’ 레퍼런스 모델을 훈련시킨 뒤, 해당 모델의 출력만을 이용해 합성 샘플을 점진적으로 수정하는 제로‑오더 최적화(zero‑order optimisation)이다. 구체적으로는 가우시안 노이즈를 추가한 무작위 탐색을 통해 합성 입력에 대한 미세 변화를 관찰하고, 이 정보를 기반으로 손실 함수를 최소화한다. 여기서 손실은 (1) 합성 샘플의 라벨과 레퍼런스 모델 예측 간의 교차 엔트로피, (2) 실제 데이터의 예측 분포와의 KL 발산을 결합한 형태이며, 이는 합성 데이터가 원본 데이터의 예측 구조를 그대로 반영하도록 설계되었다.

차등 프라이버시 보장은 각 업데이트 단계에 캘리브레이션된 가우시안 노이즈를 삽입함으로써 (ε,δ)-DP를 달성한다. 논문은 ε 값을 501000 사이에서 변동시켜 프라이버시‑유틸리티 트레이드오프를 정량화한다. 실험 결과, ε=100 정도의 보통 수준에서도 AUROC, C‑index 등 주요 성능 지표가 전체 데이터 대비 13% 이내의 차이만 보이며, 특히 민감도와 NPV가 거의 손실 없이 유지되는 것을 확인했다.

데이터셋은 COVID‑19 진단(3개 NHS 트러스트), 다발성 골수종 예측(UK Biobank 단백질 프로테오믹스), 유방암 생존(SEER), 당뇨병 발병(UK Biobank) 등 6가지 분류·생존 과제로 구성된다. 각 과제마다 IPC(클래스당 합성 샘플 수)를 50,100,500,1000으로 조절했으며, IPC=100 수준에서도 대부분의 과제에서 전체 데이터와 거의 동등한 AUROC(0.880.91)와 C‑index(0.780.80)를 달성했다. 이는 합성 데이터가 원본 데이터의 1~2% 수준으로 압축되면서도 실용적인 예측 성능을 유지한다는 강력한 증거이다.

시각화(t‑SNE)와 최근접 이웃 거리 분석을 통해 합성 샘플이 실제 샘플에 과도히 근접하지 않으며, 데이터의 구조적 다양성을 적절히 보존함을 보여준다. 이는 개별 환자 레코드와의 직접적인 연관성을 최소화해 메모리화 위험을 감소시키는 동시에, DP와 결합해 법적·윤리적 데이터 공유 장벽을 낮춘다.

한계점으로는 현재 XGBoost와 Cox 모델에만 적용했으며, 다른 비미분 가능 모델(예: 랜덤 포레스트, 서포트 벡터 머신)이나 복합 파이프라인에 대한 일반화 가능성을 추가 검증해야 한다는 점이 있다. 또한 제로‑오더 최적화는 고차원 합성 입력(특히 프로테오믹스와 같은 수천 차원 데이터)에서 탐색 효율이 떨어질 수 있어, 차원 축소 혹은 사전 클러스터링과 결합한 개선이 필요하다. 마지막으로 DP 노이즈가 큰 ε(예: ε<50)에서는 성능 저하가 눈에 띄게 나타나므로, 실제 임상 현장에서 요구되는 프라이버시 수준에 맞는 ε 설정을 사전 시뮬레이션하는 절차가 필수적이다.

전반적으로 이 논문은 데이터 응축을 차등 프라이버시와 결합해 비미분 가능 임상 모델에 적용함으로써, 데이터 민주화와 안전한 공유를 실현할 수 있는 실용적인 방법론을 제시한다.